Искусственный интеллект повышает безопасность современных ядерных реакторов.
Аргоннская национальная лаборатория объединяет многолетние знания с новейшими методами и инструментами искусственного интеллекта (ИИ).
Это даст возможность исследователям изучить механизмы управления, которые впоследствии будут использованы для улучшения конструкций, эксплуатации и безопасности реакторов.
Машинное обучение помогает системам автоматически на основе шаблонов данных лучше выполнять поиск, принимать решения и делать прогнозы.
Инженер-атомщик Акация Джоан Брунетт и другие исследователи в Аргоннском отделе ядерной науки и техники используют методы машинного обучения для создания быстродействующих моделей различных ядерных термогидравлических процессов.
Они изучают поведенческие реакции: смешивание и поток охлаждающих жидкостей, а также термическое расслоение, которое описывает изменения температуры, возникающие внутри жидкостей, содержащихся в больших емкостях в условиях низкого потока.
Процессы, которые трудно предсказать без значительного количества вычислений, могут сильно влиять на безопасность и производительность реакторов.
Например, когда температура меняется между слоями жидкости в пределах резервуара, это условие может привести к термической усталости - процессу, который может разрушить компоненты реактора.
Это сокращает общий срок службы компонента или реактора в целом, а также может ослабить характеристики безопасности некоторых типов современных реакторов.
Используя методы изучения этих явлений, исследователи могут создать основу для более быстрого и всестороннего проектирования и анализа этих проблем.
Количественная оценка неопределенности.
Исследователи Аргонны исследуют способы использования машинного обучения для более быстрого измерения неопределенности, что показывает, насколько уверенными они могут быть в своих прогнозах.
«Все прогнозные симуляции имеют некоторую степень неопределенности, то есть особенности или характеристики, которые мы точно не знаем», - сказала Брунетт.
Примерами могут служить свойства материалов производимых компонентов, такие как толщина, излучательная способность (сколько тепловых поверхностей излучает) или некоторые другие физические явления.
Необходимо понять, что именно представляют собой неопределенности, и это является очень сложным процессом.
Этот процесс занимает время, потому что обычно требуется от сотен до тысяч повторных анализов, а в некоторых случаях - несколько высокоточных симуляций, которые несут большую вычислительную нагрузку.
Исследователи изучают способы создания и использования моделей машинного обучения, чтобы сделать этот анализ более эффективным и сократить общее время, необходимое для количественной оценки неопределенности и оптимизации проектирования.
С помощью машинного обучения ученые анализируют большие объемы вычислительных данных и выявляют ключевые компоненты, которые описывают фундаментальное поведение системы.
Например, поведение усовершенствованного реактора было охарактеризовано с использованием миллионов точек данных.
Но с помощью этого нового метода система может быть представлена несколькими тысячами точек данных.
Характеризуя реакцию системы с помощью этих методов, можно сократить общее время анализа, при этом сохраняя прямую количественную оценку неопределенностей.
Традиционный и AI-интегрированный подход
Специалисты-ядерщики традиционно использовали теорию и наблюдения для создания моделей ядерных процессов и проведения имитаций с высокой точностью.
Затем сравнивали результаты моделирования с реальными наблюдениями, соответствующим образом адаптировали модель и повторяли моделирование до тех пор, пока их модель не могла точно предсказать поведение в реальном мире.
Используя машинное обучение, исследователи могут создавать относительно точные модели гораздо быстрее.
В отличие от традиционного подхода, инструменты машинного обучения могут с относительно высокой точностью прогнозировать поведение критических для безопасности признаков, явлений или тенденций, которые в противном случае могли бы быть пропущены аналитиком.
Моделирование с высокой точностью помогает рассчитать микроподключения различных ядерных явлений и затем сгенерировать обучающие данные для разработки моделей машинного обучения.
Эти модели могут затем точно оценить параметры, которые определяют эти микродетали, такие как транспорт массы и энергии.
Интеграция с кодами системного уровня.
После разработки этих моделей компании будут интегрировать их непосредственно в усовершенствованные инструменты анализа безопасности реакторов, разработанные Argonne, для дальнейшего тестирования.
Машинные обучающие модели могут заменить существующие модели, встроенные в системный код сегодня, что улучшит предсказательные возможности программного обеспечения и/или устранит известные ограничения в программном обеспечении.
С помощью этих инструментов исследователи продолжат совершенствовать дизайн и безопасность технологий следующего поколения, продвигая ядерную энергетику в будущее.